Metode Analisis Data

Metode analisis yang digunakan yaitu estimasi ARDL. Dengan menerapkan

model ARDL, secara sekaligus akan mendapatkan dua manfaat dalam

memperkirakan likuiditas bank umum syariah dalam jangka pendek maupun jangka

panjang. (Widarjono, 2020). Alasan lain dipilihnya metode analisis ARDL untuk

penelitian ini karena menurut Pesaran dalam (Muslim, 2016) hasil estimasi yang

akan didapatkan dengan pendekatan ARDL akan konsisten secara asimtotik normal

dengan koefisien jangka panjang yang, walaupun variabel-variabel penjelasnya

atau regresornya sudah bersifat I(0) ataupun I(1). Adanya uji kointegrasi dalam

penelitian ini menjadi alasan tambahan mengapa memilih menganalisis dengan

metode ARDL, karena penelitian ini menggunakan variabel makro yang secara

umum variabel makro pada data time series memiliki masalah stasioneritas.

Menganalisis dengan pengujian kointegrasi ini memiliki kelebihan bahwa jika

variabel-variabel pada model yang bersifat I(0) atau I(1), maka pada metode ARDL

ini tidak mempermasalahkan hal tersebut

3.3.1 Deskripsi Data Penelitian

Analisis deskripsi menurut Ghozali dalam Masruroh 2018, menjadi metode

yang menjelaskan kesesuaian variabel dengan standar yang ditetapkan sebelumnya.

Hasil analisis ini tertera menunjukkan hasil deskripsi statistik dari pengolahan data

menggunakan SPSS dan diperoleh mean, standar deviasi, nilai maksimum, dan nilai

minimum dari tiap variabel pada penelitian ini.Menurut Gujarati dalam

(Khalifaturofi’ah et al, 2010) data syariah dikatakan baik jika nilai mean lebih besar dari nilai standar deviasi, karena besarnya nilai standar deviasi meningkatkan

kemungkinan nilai riil menyimpang dari yang diharapkan. Nilai mean pada tiap

variabel yang lebih kecil dari standart deviasinya, kemungkinan dalam data terdapat

outlier (data yang terlalu ekstrim). Keputusan sesuai tidaknya variabel dilihat dari

mean dan standar deviasi, bila semakin tinggi nilai mean dibandingkan standar

deviasi suatu variabel maka terjadi penyebaran data dalam variabel. Tetapi jika

semakin rendah nilai mean dibandingkan dengan standar deviasi maka terjadi

pengumpulan suatu variabel. (Masruroh, Meridhaeni 2018:47)

3.3.2 Uji Stasioneritas

Data time series tergolong stasioner jika lolos dalam beberapa kriteria,

dimana kriteria adalah rata-rata dan varian harus konstan setiap waktu serta

kovarian data tergantung kelambanan periode waktu. Singkatnya data stasioner jika

setiap kriteria pada tiap lag tetap konstan setiap waktu(Widarjono, 2018 :

309).Dalam deteksi stasioneritas uji akar unit pada analisis ini menggunakan Uji

DF (Dickey-Fuller), dalam uji ini dilakukan dengan prosedur perbandingan antara

nilai statistik DF dengan nilai kritis(distribusi statistik t). Berikut bentuk persamaan

sederhana dalam UJI DF

Uji tanpa konstanta dam trend waktu:

∆𝐘_𝐭 = ∅𝐘_𝐭−𝟏+ 𝐞_𝐭 (3.1)

Uji dengan konstanta, tanpa trend waktu:

∆𝐘_𝐭 = 𝛃_𝟏+ ∅𝐘_𝐭−𝟏+ 𝐞_𝐭 (3.2)

∆𝐘_𝐭 = 𝛃_𝟏+ 𝛃_𝟐𝐭 + ∅𝐘_𝐭−𝟏+ 𝐞_𝐭 (3.3)

Persamaan (3.1) hingga (3.3) menjadi model yang hanya dilakukan bila data

timeseries mengikuti pola AR1. Model AR(1) menunjukkan besarnya nilai

pengamatan saat 𝑡(waktu) yang dipengaruhi nilai-nilai pengamatan selama 1

periode sebelumnya (Vulandari & Parwitasari, 2018). Setiap model dengan adanya

data runtut waktu yang terdeteksi unit root berarti data tersebut tidak stasioner, data

regresi yang tidak stasioner dapat menyebabkan spurious regression (regresi

lancung) yang artinya nilai koefisien determinasi tinggi pada hasil regresi tapi tidak

ada hubungan antar variabel.

Jika data time series terdapat pola AR yang tinggi hingga tidak memenuhi

asumsi yang mengatakan tidak ada autokorelasi, maka perlu ditambah kelambanan

variabel diferensi sisi kanan dengan Uji ADF (Augmented Dickey Fuller ), berikut

persamaan Uji ADF:

Uji tanpa konstanta dantrend waktu:

∆𝒀_𝒕 = 𝜸𝒀_𝒕−𝟏+ ∑_𝒊=𝟏^𝒑 +𝒆_𝒕 (3.4)

Uji dengan konstanta, tanpa trend waktu:

∆𝒀_𝒕 = 𝜶_𝟎+ 𝜸𝒀_𝒕−𝟏+ ∑_𝒊=𝟏 ^𝒑 𝜷_𝟏∆𝒀_𝒕−𝟏+𝒆_𝒕 (3.5)

Uji dengan konstanta dan trend waktu:

Prosedur menentukan data stasioner atau tidak yaitu dengan perbandingan

nilai statistik ADF yang diwakilkan nilai t statistik pada 𝜸𝒀_𝒕−𝟏. Jika nilai ADF

>nilai kritis maka data dikatakan stasioner.

3.3.3 Estimasi ARDL

Model estimasi ARDL dapat dilakukan jika seluruh data variabel yang

digunakan stasioner pada tingkat level ataupun first difference, tetapi dalam uji ini

data tidak boleh stasioner pada tingkat second difference. Syarat selanjutnya dalam

model ARDL data antar variabel harus memiliki kointegrasi. Penerapkan model

ARDL secara sekaligus akan mendapatkan dua manfaat dalam memperkirakan

likuiditas bank umum syariah karena menghasilkan analisis pada jangka pendek

maupun jangka panjang. (Widarjono, 2020).Penelitian ini memanfaatkan ARDL

sebagai metode analisisnya, sehingga akan terlihat bagaimana pengaruh CAR,

ROA, NPF , BOPO, BI Rate, Inflasi, IPI dan SBIS terhadap FDR dalam jangka

pendek dan jangka panjang. Didiapatkan model persamaan regresi sebagai berikut:

𝐅𝐃𝐑_𝐭= 𝛃_𝟎+ 𝛃_𝟏𝐂𝐀𝐑_𝐭+ 𝛃_𝟐𝐑𝐎𝐀_𝐭+ 𝛃_𝟑𝐍𝐏𝐅_𝐭+ 𝛃_𝟒𝐁𝐎𝐏𝐎_𝐭+ 𝛃_𝟓𝐁𝐈 𝐑𝐚𝐭𝐞_𝐭+

𝛃_𝟔𝐈𝐧𝐟𝐥𝐚𝐬𝐢_𝐭+ 𝛃_𝟕𝐈𝐏𝐈_𝐭+ 𝛃_𝟖𝐒𝐁𝐈𝐒_𝐭+ 𝐞_𝐭 (3.7)

Dari persamaan regresi diatas, disusun persamaan model ARDL sebagai berikut:

∆𝐅𝐃𝐑_𝐭= 𝛂_𝟎+ ∑_𝐢=𝟏^𝐧 𝛂_𝟏𝐢 ∆𝐅𝐃𝐑_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟐𝐢 ∆𝐂𝐀𝐑_𝐭−𝟏+

∑_𝐢=𝟏^𝐧 𝛂_𝟑𝐢 ∆𝐑𝐎𝐀_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟒𝐢 ∆𝐍𝐏𝐅_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟓𝐢 ∆𝐁𝐎𝐏𝐎_𝐭−𝟏+

∑_𝐢=𝟏^𝐧 𝛂_𝟔𝐢 ∆𝐁𝐈 𝐑𝐚𝐭𝐞_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟕𝐢 ∆𝐈𝐍𝐅_𝐭−𝟏+∑_𝐢=𝟏^𝐧 𝛂_𝟖𝐢 ∆𝐈𝐏𝐈_𝐭−𝟏+

𝛉_𝟒𝐍𝐏𝐅_𝐭−𝟏+ 𝛉_𝟓𝐁𝐎𝐏𝐎_𝐭−𝟏+ 𝛉_𝟔𝐁𝐈 𝐑𝐚𝐭𝐞_𝐭−𝟏+ 𝛉_𝟕𝐈𝐍𝐅_𝐭−𝟏+ 𝛉_𝟖𝐈𝐏𝐈_𝐭−𝟏+

𝛉_𝟗𝐒𝐁𝐈𝐒_𝐭−𝟏+ 𝐞_𝐭

(3.8)

Keterangan:

∆ = lag/kelambanan

∝_𝟏𝐢− ∝_𝟗𝐢= model hubungan jangka pendek

𝛉_𝟏− 𝛉_𝟗= model hubungan jangka panjang

Berdasarkan persamaan di atas, dituliskan menjadi bentuk koreksi

kesalahan model ARDL dengan menggunakan model hubungan jangka pendek

yang ditambah 𝐄𝐂𝐓_𝐭−𝟏 yang menunjukkan variabel koreksi kesalahan periode

sebelumnya. Sehingga persamaannya menjadi:

∆𝐅𝐃𝐑_𝐭= 𝛂_𝟎+ ∑_𝐢=𝟏^𝐧 𝛂_𝟏𝐢 ∆𝐅𝐃𝐑_𝐭−𝟏+ ∑^𝐧_𝐢=𝟏 𝛂_𝟐𝐢 ∆𝐂𝐀𝐑_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟑𝐢 ∆𝐑𝐎𝐀_𝐭−𝟏+

∑_𝐢=𝟏^𝐧 𝛂_𝟒𝐢 ∆𝐍𝐏𝐅_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟓𝐢 ∆𝐁𝐎𝐏𝐎_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟔𝐢 ∆𝐁𝐈 𝐑𝐚𝐭𝐞_𝐭−𝟏+

∑_𝐢=𝟏^𝐧 𝛂_𝟕𝐢 ∆𝐈𝐍𝐅_𝐭−𝟏+∑_𝐢=𝟏^𝐧 𝛂_𝟖𝐢 ∆𝐈𝐏𝐈_𝐭−𝟏+ ∑_𝐢=𝟏^𝐧 𝛂_𝟗𝐢 ∆𝐒𝐁𝐈𝐒_𝐭−𝟏+

𝛝𝐄𝐂𝐓_𝐭−𝟏+ 𝐮_𝐭 (3.9)

3.3.4 Uji Autokorelasi

Kegunaan autokorelasi untuk menguji adanya korelasi antara anggota

observasi satu dengan observasi lainya yang berlainan waktu. (Widarjono,

2018:143). Metode autokorelasi yang digunakan dalam penelitian ini adalah

metode ini untuk mengatasi kelemahan jika menggunakan uji Durbin Watson .

Kriteria yang digunakan yaitu dengan AIC(Akaike Information Criteria).

Prosedur yang digunakan untuk uji LM dimulai dari mengestimasi

persamaan 3.1 dimana syarat memasukkan lebih dari satu variabel independen.

Selanjutnya, dilakukan regresi residual ê dengan 𝑿_𝒕 sehingga didapatkan persamaan

di bawah ini:

ê_𝒕 = 𝝀_𝟎+ 𝝀_𝟏𝐗_𝒕+ 𝛒_𝟏ê_𝒕−𝟏+ 𝛒_𝟐ê_𝒕−𝟐+ _…+ 𝛒_𝒑ê_𝒕−𝒑+ 𝒗_𝒕 (3.10)

Dari persamaan tersebut,𝒗_𝒕memiliki ciri yang telah memenuhi asumsi OLS dimana

𝐄(𝐯_𝐭)=0; 𝐯𝐚𝐫(𝐯_𝐭) = 𝛔𝟐; dan 𝐜𝐨𝐯(𝐯_𝐭, 𝐯_𝐭−𝟏) = 𝟎. Sehingga formulasi hipotesis nol yang menyatakan bahwa jika suatu data terbebas masalah autokorelasi yaitu:

𝐇_𝟎: 𝛒_𝟏= 𝛒_𝟐= ⋯ = 𝛒_𝐩= 𝟎 (3.11)

𝐇_𝐚: 𝛒_𝟏≠ 𝛒_𝟐≠ ⋯ ≠ 𝛒_𝐩 ≠ 𝟎 (3.12)

Didapatkan 𝐑^𝟐pada persamaan (3.11)yang akan dilanjutkan untuk mencari nilai

hitung Chi Squares. Alasan menggunakan distribusi Chi Squares karena sampel

yang tergolong besar, sehingga didapatkan formula sebagai berikut:

𝐧𝐑𝟐~ 𝐗_𝐩𝟐 (3.13)

Dikatakan bebas masalah autokorelasi pada suatu olah data dilihat dari nilai

probabilitas Chi Squares yang lebih besar dari α yang ditentukan, kemudian jika

hasil nilai probabilitas Chi Squares yang didapatkan lebih kecil dari α maka terdapat

pada pemilihan lag(kelambanan) yang digunakan, tepatnya pemilihan lag residual

dapat menggunakan kriteria AIC. Saat mengestimasi dengan kriteria AIC

berdasarkan persamaan (3.11)maka panjangnya lag dipilih yang terkecil. Jika

dihasilkan nilai probabilitas Chi Squares kurang dari α berarti terdeteksi masalah

korelasi, maka pada model ARDL tersebut perlu dilakukan penyembuhan

autokorelasi. Salah satu cara yang dapat digunakan yaitu dengan metode HAC

(Heteroscedasticity and Autocorrelation Consistent Covariance Matrix), dimana

metode tersebut dapat menemukan standar error yang konsisten dan memperbaiki

model terbaik untuk dilanjutkan pada estimasi model ARDL

selanjutnya.(Widarjono, 2018:143-145)

3.3.5 Uji Heteroskedastisitas

Kegunaan uji heterokedastisitas ini untuk mengetahui bahwa data terbebas

dari variabel gangguan dengan varian yang tidak konstan atau secara singkat bahwa

data terbebas dari masalah heterokedastisitas. Untuk model ARDL ini, uji

heteroskedastisitas dilakukan dengan metode ARCH(Autoregressive Conditional

Heteroskedasticity) dimana variasi variabel gangguan selain berfungsi sebagai

variabel independen namun juga berdasar pada variabel kuadrat periode

sebelumnya. Formulasi hipotesis nol pada uji ini yaitu:

𝐇_𝟎 = 𝛂_𝟏= 𝛂_𝟐= ⋯ = 𝛂_𝐩= 𝟎 (3.14)

Dikatakan data terbebas masalah heteroskedastisitas jika nilai probabilitas Chi

konstan sebesar nilai dari 𝜶_𝟎 kemudian jika hasil nilai probabilitas Chi Squares

yang didapatkan lebih kecil dari α maka terdapat masalah heteroskedastisitas.

3.3.6 Kointegrasi Boundstest

Langkah selanjutnya dalam estimasi ARDL yaitu melihat adakah hubungan

jangka panjang antar variabel dalam model dengan uji kointegrasi Bound testing

approach.Berikut formulasi hipotesis dari uji kointegrasi:

𝐇_𝟎 ∶ 𝛉_𝟏 = 𝛉_𝟐= ⋯ = 𝛉_𝐩 (3.15)

𝐇_𝐚∶ 𝛉_𝟏 ≠ 𝛉_𝟐≠ ⋯ ≠ 𝛉_𝐩 (3.16)

Hipotesis nol berarti tidak terdapat kointegrasi jangka panjang antar

variabel dalam model dan hipotesis alternatif berarti terdapat kointegrasi jangka

panjang antar variabel dalam model. Untuk memutuskan pada sebuah model

terdapat kointegrasi jangka panjang, maka perlu melihat besarnya nilai F hitung

yang dibandingkan dengan F kritis yang ditunjukkan oleh nilai lower bound dan

upper bound. Bila nilai F hitung lebih besar dari nilai F kritis maka terdapat

kointegrasi jangka panjang, jika F hitung lebih kecil dari F kritis maka tidak terdapat

kointegrasi jangka panjang dan jika besarnya nilai F hitung berada di antara lower

bound dan upper bound maka tidak dipiperoleh keputusan mengenai hal itu.